Yapay Zeka Entegrasyonu Maliyet Kalemleri: Teklifte Ne Olmalı?

Yapay zeka entegrasyonunun maliyeti yalnızca model API faturasından oluşmaz. Keşif, veri düzenleme, mevcut sistemlerle entegrasyon, geliştirme, güvenlik, test, izleme ve aylık kullanım birlikte hesaplanmalıdır.

“Yapay zeka entegrasyonu” diye aldığınız teklif, sitenize eklenen basit bir chatbot kutusu olabilir. Ya da müşteri verisini kullanan, kaynak gösteren, insan onayıyla işlem yapan ve maliyeti takip edilen bir sistem olabilir. İkisi de aynı adla satılır. Maliyetleri ise aynı değildir.

Mesele teklifin ucuz ya da pahalı olması değil, kapsamın açık yazılmamasıdır. Bu yazıda yapay zeka projesi maliyetini oluşturan kalemleri, ilk kurulum ile aylık gider arasındaki farkı ve belirsiz teklifleri nasıl ayırt edeceğinizi açıklıyoruz.

Öne Çıkanlar

• Yapay zeka entegrasyonu maliyetinin büyük bölümü çoğu zaman modelden değil; veri, entegrasyon, test ve güvenlik kapsamından gelir.
• API faturası token kullanımı dışında dosya arama, depolama, web araştırması ve araç çağrılarıyla büyüyebilir.
• RAG sistemi, şirket dokümanını modele “öğretmek” değil; güncel bilgiyi kaynak göstererek erişilebilir kılmaktır.
• CRM, stok, ödeme veya müşteri verisine erişen AI sistemlerinde insan onayı ve yetki kontrolü ayrı maliyet kalemidir.
• KOBİ’ler için doğru ilk proje, özel model eğitimi değil; dar kapsamlı ve sonucu ölçülebilir bir iş akışıdır.

Yapay Zeka Entegrasyonunda Maliyet Neden Tek Rakam Değil?

“AI chatbot” ifadesi, birbirinden tamamen farklı iki işi anlatabilir.

İlk seçenek, sitenizdeki sık sorulan soruları hazır içeriklerden yanıtlayan basit bir kutudur. Diğeri CRM’den müşteri geçmişini çeker, ürün stoklarını kontrol eder, satış temsilcisine görev açar ve yapılan işlemleri kaydeder. İlk senaryoda bir arayüz ve API çağrısı yeterli olabilir. İkincisinde veri erişimi, yetkilendirme, hata senaryoları ve bakım gerekir.

İhtiyaçları ilk bakışta benzer görünen iki şirket düşünün. Şirket A, “Kargo süreniz kaç gün?” gibi soruları yanıtlayan bir destek asistanı ister. Şirket B ise sipariş numarasıyla kargo durumunu sorgulayan, iade talebi oluşturan ve gerektiğinde temsilciye aktaran bir sistem talep eder. İkisinde de adı chatbot olan bir araç vardır. Ancak Şirket B’nin projesinde kargo entegrasyonu, müşteri verisi, işlem yetkisi ve insan denetimi bulunur.

API anahtarını bağlamak entegrasyon değildir. Entegrasyon, sistemin gerçek veride doğru sınırlar içinde çalışmasıdır.

Bu yüzden soru “yapay zeka entegrasyonu ne kadar tutar?” olmamalıdır. Asıl soru şudur: Sistem hangi görevi, hangi verilere erişerek ve hangi hata toleransıyla yapacak?

Yapay Zeka Entegrasyonunun 7 Temel Maliyet Kalemi

1. Keşif, iş akışı haritası ve kabul kriterleri

İlk maliyet kalemi yazılım değildir. Sistemin tam olarak ne yapacağının belirlenmesidir.

“Gelen lead’leri önceliklendirsin” tek başına kapsam değildir. Hangi form verilerini inceleyecek? Hangi lead yüksek öncelikli sayılacak? Sonucu CRM’de nereye yazacak? Hatalı puanlama olursa düzeltmeyi kim yapacak? Bunlar baştan netleşmelidir.

Nitelikli bir keşif süreci aşağıdakileri netleştirir:

• AI’ın yapacağı tek iş veya ilk iş akışı
• Kullanacağı veri kaynakları
• İnsan onayı gerektiren noktalar
• Başarı ölçütü ve kabul kriteri
• Sistemin yapmaması gereken işlemler

Bu aşama atlanırsa geliştirme süresi kısalmaz, belirsizlik büyür. Belirsiz işler teklif aşamasında düşük maliyetli görünür. Canlıya geçince ek iş kalemlerine dönüşür.

2. Veri hazırlama ve erişim düzeni

Yapay zeka sistemleri kötü veriyi iyi çıktıya çeviremez. Güncel olmayan fiyat listeleri, yinelenen müşteri kayıtları ve düzensiz PDF arşivleri, en güçlü modelde bile yanlış yanıt üretir.

Veri hazırlığı maliyetine çoğunlukla şu çalışmalar girer:

• Dokümanların toplanması ve sınıflandırılması
• Yinelenen, eski veya çelişkili içeriğin ayıklanması
• CRM, ERP veya ürün kataloğu alanlarının eşleştirilmesi
• Hassas verilerin maskelenmesi
• Erişim rollerinin belirlenmesi
• Veriyi güncelleyecek sorumlunun atanması

Satış ekibi için doküman asistanı kuran bir şirketi düşünün. İlk demo hızlıca çalışır: PDF’ler yüklenir ve sistem yanıt üretmeye başlar. Ancak klasörde eski ürün föyleri de vardır ve asistan satışta olmayan bir paketi önerir. Sorun modelin kalitesi değildir; sistem hangi belgenin güncel olduğunu bilmiyordur. Bu yüzden projenin ikinci aşamasına doküman sahipliği, tarih bilgisi ve yayından kaldırma prosedürü eklenmesi gerekir.

Veri hazırlığı ayrı bir maliyet kalemidir. Çünkü işletmelerdeki mevcut bilgi düzeni çoğu zaman AI projesine uygun değildir.

3. Mevcut sistemlerle entegrasyon

Model çağrısı genellikle işin en kısa bölümüdür. Asıl geliştirme, sistemler arasında güvenilir veri akışı kurarken başlar.

AI özelliği aşağıdaki sistemlerden biriyle iletişim kuracaksa entegrasyon kapsamı büyür:

• CRM ve satış yazılımları
• E-ticaret altyapısı ve ürün kataloğu
• Stok, kargo veya muhasebe sistemleri
• Destek masası ve canlı destek araçları
• Ödeme sistemleri
• Takvim, görev yönetimi veya e-posta araçları

Her bağlantıda şu soruların yanıtı gerekir: API var mı? Webhook desteği var mı? Veri ne sıklıkla güncellenecek? Sistem yalnızca okuyacak mı, yoksa kayıt da oluşturacak mı?

Web sitenize AI destekli bir form veya destek katmanı ekleniyorsa, mevcut altyapının da yükü taşıması gerekir. Bu tür projelerde özel kodlanmış WordPress altyapısı, eklenti yığınıyla kurulmuş bir siteye göre daha net entegrasyon sınırları sunabilir. Daha hafif, özel bir müşteri deneyimi gerekiyorsa performans odaklı web altyapısı da değerlendirilmelidir.

4. Model, API ve araç kullanımı

Yapay zeka API maliyeti, modele gönderilen ve modelden dönen metin miktarına bağlıdır. Bu miktar token ile ölçülür. Ancak token ücreti tek maliyet kalemi değildir.

Bir AI uygulamasında bunlara ek olarak şu araçlar kullanılabilir:

• Dosya arama ve doküman depolama
• Web araştırması
• Görsel veya OCR işleme
• Kod çalıştırma ortamları
• Harici sistem çağrıları
• Log ve hata kayıtlarının saklanması

Model sağlayıcıları çoğu zaman token kullanımını, arama ve depolama gibi araçlardan ayrı ücretlendirir. Bu nedenle yalnızca “GPT API kullanacağız” yazan bir teklif, aylık maliyeti açıklamaz.

Uzun müşteri kayıtları, büyük doküman kümeleri ve gereksiz tekrar eden istekler faturayı yükseltir. Hızlı yanıt gerektirmeyen sınıflandırma veya ürün verisi zenginleştirme işlerinde toplu işlem maliyeti düşürebilir. Ancak gecikme süresi ve kullanım hacmi burada da açıkça planlanmalıdır.

Bir Defalık Kurulum ve Aylık Giderleri Ayırın

Yapay zeka entegrasyonu fiyatlarını değerlendirirken ilk kurulum bedeli ile canlı kullanım gideri aynı satırda yazılmamalıdır.

Maliyet kalemi	Bir defalık	Aylık / kullanıma bağlı	Teklifte aranacak açıklama
İş akışı keşfi	Evet	Hayır	Hangi süreç ve kabul kriteri tanımlanıyor?
Veri hazırlama	Evet	Gerektiğinde	Veri kaynağı ve güncelleme sorumlusu kim?
Sistem entegrasyonu	Evet	Gerektiğinde	Hangi API’ler, hangi yönlü veri akışı?
Model API’si	Hayır	Evet	Token, araç ve kullanım limiti nasıl hesaplanıyor?
RAG / bilgi tabanı	Evet	Evet	Depolama, indeksleme ve güncelleme dahil mi?
Güvenlik / KVKK	Evet	Evet	Veri nerede işleniyor, kim erişiyor?
İzleme ve bakım	Kurulum	Evet	Hata, kalite ve maliyet takibi var mı?

Teklifte “aylık AI maliyeti” yazıyorsa hangi hizmetlerin dahil olduğunu sorun. Bu yalnızca API faturası mı? İzleme, hata düzeltme, prompt güncellemesi ve bilgi tabanı yenilemesi de bu tutara dahil mi?

RAG, Hazır API ve Özel Model Aynı Şey Değil

“Kendi modelimizi eğitelim” fikri sık duyulur; ancak çoğu zaman asıl ihtiyaç bu değildir.

Hazır API ne zaman yeterlidir?

Hazır model API’leri, sınırları net ve dar iş akışları için iyi bir başlangıçtır:

• Toplantı veya satış görüşmesi özetleme
• Form yanıtlarını sınıflandırma
• Destek taleplerini doğru ekibe yönlendirme
• Teklif veya e-posta taslağı üretme
• Ürün bilgisindeki eksik alanları tespit etme

Bu senaryolarda önemli olan modelin özel olması değil, girdilerin doğru hazırlanması ve çıktının kontrol edilmesidir.

RAG ne zaman gerekir?

RAG sistemi, şirketin güncel dokümanlarını modelin genel bilgisinin yanına getirir. Belge her değiştiğinde modeli yeniden eğitmek yerine, ilgili içeriği bulur ve yanıtı bu içerikle üretir.

RAG şu koşullarda anlamlıdır:

• AI şirket dokümanlarından yanıt verecekse
• Cevaplarda kaynak gösterilmesi gerekiyorsa
• Bilgi sık güncelleniyorsa
• Yetkiye göre farklı dokümanlar gösterilecekse
• Eski içeriğin sistemden kaldırılması gerekiyorsa

RAG chatbot kurulum maliyeti yalnızca arayüzden ibaret değildir. Dokümanların parçalanması, indekslenmesi, vektör arama, kaynak gösterimi, güncelleme ve erişim filtreleri de gerekir.

Özel model ne zaman gündeme gelir?

Özel model eğitimi; hazır modeller kabul edilebilir kalite vermiyorsa, kullanım hacmi sürekli çok yüksekse veya çok dar bir tahmin problemi varsa değerlendirilmelidir.

İlk sürümde daha pahalı teknolojiye yönelmek cazip gelebilir. Ancak doğru başlangıç çoğu zaman daha sınırlıdır: hazır model, kısıtlı veri erişimi, insan onayı ve ölçülebilir çıktı.

Kapsam net değilse özel model çözüm değildir. Belirsizliğin daha pahalı halidir.

Güvenlik, KVKK ve İnsan Kontrolü Neden Ayrı Bütçe Gerektirir?

Müşteri verilerine, fiyatlara, stoklara, ödemelere veya çalışan bilgilerine erişen bir AI sistemi yalnızca akıllı olmamalı, denetlenebilir de olmalıdır.

KVKK’nın üretken yapay zeka rehberi, kişisel veri içeren uygulamalarda şeffaflık, insan denetimi ve veri güvenliğinin önemini açıkça vurgular. Bu nedenle KVKK, canlıya çıkmadan önce eklenecek kısa bir hukuk notu değildir.

Teklifte aşağıdaki unsurlar bulunmalıdır:

• Kişisel verinin modele gönderilip gönderilmeyeceği
• Gereksiz verilerin ayıklanması veya maskelenmesi
• Kullanıcı ve rol bazlı erişim kontrolü
• İşlem ve hata kayıtlarının tutulması
• İnsan onayı gerektiren aksiyonlar
• Veri saklama ve silme yaklaşımı

Prompt injection da ayrı bir test konusudur. Kullanıcı, modele talimat gibi görünen kötü niyetli metinler gönderebilir. OWASP’ın LLM uygulamaları için güvenlik listesi, bu riski temel başlıklardan biri olarak ele alır.

AI sisteminiz e-posta gönderiyor, iade açıyor, fiyat güncelliyor veya müşteri kaydına veri yazıyorsa insan onayı ekstra değildir. Bu bir ürün gereksinimidir.

Test, İzleme ve Bakım Canlıdan Sonra Başlar

AI sistemi ilk gün doğru yanıt veriyor olabilir. Bir ay sonra yeni ürünler eklenebilir, CRM alanları değişebilir veya model sağlayıcısının davranışı değişebilir. Bu nedenle yapay zeka bakım maliyeti teknik destekle sınırlı değildir.

NIST’in AI Risk Management Framework yaklaşımı, üretimdeki sistemlerin test edilmesini, metriklerin belgelenmesini ve insan-AI rollerinin tanımlanmasını önerir. Bunun işletme karşılığı nettir: Sistem izlenmiyorsa, ne zaman kötüleştiğini anlayamazsınız.

İzleme ve bakım kapsamında şu maddeler yer almalıdır:

• Gerçek iş örneklerinden oluşan değerlendirme seti
• Doğru cevap, yanlış cevap ve yönlendirme ölçütleri
• Kullanıcı geri bildirim mekanizması
• Olağandışı API kullanımı için maliyet uyarıları
• Hatalı araç çağrıları için kayıt ve inceleme
• Yeni veri, süreç veya model sürümüne uyarlama

Ürün açıklaması taslakları hazırlayan bir AI aracı kullanan bir e-ticaret ekibini düşünün. İlk haftalarda iş akışı hızlanır. Ardından kategori kuralları değişir, ancak araç eski kurallarla içerik üretmeye devam eder. İnsan onayı olduğu için yanlış içerikler yayına çıkmaz. Yine de ekibin, kural değişikliğini bilgi tabanına ve test setine eklemesi gerekir. Canlı sonrası bakımın amacı budur: sistemi ilk günkü varsayımlarıyla bırakmamak.

Kendi AI projenizde veri, yetki ve test sınırlarını yazılı görmek istiyorsanız, yapay zeka çözümleri kapsamında hangi teknik yapının gerçekten gerekli olduğunu değerlendirebilirsiniz.

Ucuz Görünen AI Tekliflerinde 6 Kırmızı Bayrak

Aşağıdaki ifadeler, yapay zeka projesi teklifinde kapsamın yetersiz tanımlandığını gösterir:

1. “Yapay zeka entegrasyonu” yazıyor, fakat otomatikleşecek iş akışı tanımlanmıyor.
2. Veri kaynağı, güncelleme sorumlusu ve erişim yetkileri belirtilmiyor.
3. API kullanım limiti veya aşım maliyeti açıklanmıyor.
4. Test senaryosu ve başarı kriteri bulunmuyor.
5. İnsan onayı gerektiren kararlar ayrılmıyor.
6. Bakım, izleme ve hata düzeltme kapsamı belirsiz bırakılıyor.

Teklif kısa olabilir. Ancak kısa teklif her zaman eksik teklif değildir. İyi bir teklif, kurulacak sistemi, kullanılacak veriyi, kapsam dışında kalanları ve canlı maliyetin nasıl izleneceğini açıkça yazar.

Yapay Zeka Projesi İçin Teklif Almadan Önce Hazırlayın

Ajansa veya yazılım ekibine “AI istiyoruz” demek yerine aşağıdaki bilgileri hazırlayın. Böylece teklif daha isabetli olur ve teklifleri karşılaştırmak kolaylaşır.

1. Otomatikleşmesini istediğiniz tek işi yazın.
2. Bu işte kullanılan veri kaynaklarını listeleyin.
3. AI’ın vermemesi gereken kararları belirleyin.
4. Hatanın müşteri, ciro veya operasyon üzerindeki etkisini yazın.
5. Aylık tahmini kullanıcı, belge ve işlem hacmini çıkarın.
6. Sistemin bağlanacağı yazılımları belirtin.
7. İlk sürümde ölçülecek tek başarı metriğini seçin.

Üretken yapay zeka artık birçok kurumda en az bir iş fonksiyonunda düzenli olarak kullanılıyor. Buna rağmen pek çok kurum AI’ı şirket genelinde ölçekleyebilmiş değil. Sorun teknolojinin olmaması değil, kullanımın ölçülebilir bir iş sonucuna bağlanamaması.

Başarılı bir ilk sürüm, her soruya yanıt veren chatbot değildir. Sınırları belli, hata yaptığında durabilen ve etkisi ölçülebilen bir sistemdir.

Sık Sorulan Sorular

Yapay zeka entegrasyonu maliyetini en çok ne artırır?

Maliyeti en çok artıran unsur genellikle model seçimi değildir. Dağınık veri, çok sayıda sistem bağlantısı, işlem yetkisi ve belirsiz kabul kriterleri daha büyük maliyet yaratır. CRM, stok veya ödeme sistemine yazma izni olan projeler daha kapsamlı güvenlik ve test çalışması gerektirir.

Yapay zeka API maliyeti aylık neye göre değişir?

Aylık gider; giriş ve çıkış token hacmine, kullanıcı sayısına, konuşma süresine, doküman aramaya, depolamaya, web araştırmasına ve harici araç çağrılarına göre değişir. Kullanım sınırı ve aşım koşulları teklifte yazmalıdır.

RAG sistemi kurmak için neden chatbot arayüzü yetmez?

Chatbot arayüzü, kullanıcının gördüğü bölümdür. RAG tarafında dokümanların hazırlanması, indekslenmesi, güncel tutulması, yetkilere göre filtrelenmesi ve yanıtlarda kaynak gösterilmesi gerekir.

Hazır model kullanmak mı, özel model eğitmek mi daha mantıklı?

KOBİ’lerin çoğu için ilk aşamada hazır model API’si daha uygundur. Önce sınırlı bir iş akışında kalite ölçülmelidir. Özel model, ancak hazır modeller yeterli kalite vermediğinde veya teknik gereksinimler gerçekten zorunlu kıldığında düşünülmelidir.

AI entegrasyonunda bakım ve izleme zorunlu mu?

Canlı ortamda müşteri, satış veya operasyon verisi kullanan sistemler için evet. Veriler değişir, iş kuralları güncellenir ve kullanım maliyeti beklenmedik şekilde artabilir. İzleme olmadan bu değişimleri zamanında fark edemezsiniz.

Kişisel veri içeren AI projelerinde KVKK açısından ne planlanmalı?

Hangi verilerin işleneceği, hangilerinin maskeleneceği, erişim yetkisinin kimlerde olacağı, kayıtların ne kadar süre tutulacağı ve insan denetiminin hangi noktada devreye gireceği baştan planlanmalıdır.

Yapay Zeka Projenizde Kapsamı Baştan Yazın

Yapay zeka entegrasyonunda maliyet yedi başlıkta toplanır: kapsam, veri, sistem bağlantıları, model kullanımı, bilgi altyapısı, güvenlik ve canlı sonrası bakım. Model API’si bunlardan yalnızca biridir.

Doğru teklif “AI ekleyeceğiz” demez. Hangi verilerin kullanılacağını, sistemin ne yapacağını, nerede duracağını, nasıl test edileceğini ve aylık giderin nasıl izleneceğini yazar. Yapay zeka özelliği, düzensiz veri veya kötü kurulmuş teknik altyapıdaki sorunu çözmez. Sorunu yalnızca hızlandırır.